首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >工业质检不再依赖专家排期:腾讯质检Agent的五个真实案例

工业质检不再依赖专家排期:腾讯质检Agent的五个真实案例

原创
作者头像
克劳德2048
发布于 2026-11-18 11:15:13
发布于 2026-11-18 11:15:13
120
举报

工业质检不再依赖专家排期:腾讯质检Agent的五个真实案例

工业质检项目最现实的痛点不是"AI能不能识别缺陷"——传统视觉算法已经能做。真正的卡点是"现场人员不会用":缺陷定义靠口传、标注口径难统一、算法人员排不过来、原因分析报告要等专家。一个项目绑住标注、算法、工程、PM四类人,缺一环就停。

腾讯云ADP(智能体开发平台)的质检Agent方案做了一个根本性的转换:把专家做事的方法变成现场人员可执行的步骤。这篇文章从四个痛点出发,拆解解决方案,并列出五个真实客户案例。

四个痛点

痛点一:工艺经验和算法经验对不上

制造现场知道缺陷怎么来的(工艺Know-how靠口传),算法团队知道模型怎么训(深度学习Know-how靠专家)。两边不在同一套方法体系里,换线换品就难复用。

Agent解法:把两类经验一起沉淀成业务Skill——缺陷定义、工艺约束、成像经验来自现场,标注规则、模型选择、调参策略来自算法侧,统一封装为可复用能力。

痛点二:软件不是难买,是难用

传统视觉软件把能力藏在界面和参数里,现场人员不会配,算法人员排不过来,问题判断靠经验。

Agent解法:对话式操作——标注建议、步骤代办、参数解释、结果判断,都用对话推进。不会调模型的人也能推进项目。

痛点三:一个项目绑住四类人

标注要统一标准、算法要看数据、工程要联调上线、PM要追闭环。缺一环进度就卡。

Agent解法:标注、训练数据质检、Badcase分析、工程联调和项目跟进由Agent拆解代办,一个现场负责人就能推进闭环。

痛点四:原因分析报告难产

传统流程需要专业人员边问边查,机械、成像、数据、算法都要懂。信息不全报告就卡住。

Agent解法:Claw模式用启发式对话补齐机械、成像、数据、算法线索,一边追问现场信息,一边形成原因分析和改善建议。

两个核心优势

把两类经验留住

缺陷定义、工艺约束、成像经验来自制造现场;标注规则、模型选择、调参策略来自深度学习。两类经验一起沉淀成业务Skill,换产换型时方案自动复用。

分析报告不再等专家

Claw模式对话补齐线索——追问机械偏差?成像光源角度?训练集分布偏差?算法过拟合?边问边补边分析边写,自动生成原因分析报告。

五个客户案例

案例1:3C结构件制造商——电脑中框与键盘外观检测

  • 把划伤、脏污、崩边等制造经验与模型训练经验沉淀为3C小缺陷质检Skill
  • Agent提供标注建议、训练数据质检和Badcase分析,减少多角色来回沟通
  • Claw对话补齐成像、治具、缺陷标准线索,自动生成原因分析报告
  • 1人推进闭环,调试周期-50%,新品导入3天

案例2:锂电终端客户——极耳计数与偏位复核

  • 基于腾讯专用Skill打造极耳计数规则、重叠判断、成像角度和异常复核
  • 现场人员用对话完成样本核查、计数误差分析和训练数据补齐
  • 自动输出计数异常的原因分析报告,定位机械、成像或算法原因
  • 99.6%计数一致性,5x复核效率,-70%人工复核

案例3:零售酒品企业——酒瓶标签、液位、瓶盖外观检测

  • 基于腾讯Skill打造瓶型、标签、液位、瓶盖、喷码的零售酒品质检
  • 新SKU上线时Agent自动复用相似方案,减少人工重新配置
  • 异常过漏检样本可自动归类并生成补拍、复检和门店整改建议
  • 15min换品配置,4类外观项目,-60%巡检人力

案例4:植发连锁机构——头皮图像质检与毛囊计数辅助

  • 基于Skill设计拍摄规范、图像清晰度、区域标注和毛囊计数
  • Agent自动检查图像质量、提示补拍,并辅助完成标注和数据归档
  • Claw对话边问边补全术前术后图像差异,生成可读的质检报告
  • 2x图像复核,-50%资料整理,1份自动报告

案例5:3C摄像头模组工厂——镜头脏污、划伤、装配偏移检测

  • 微小缺陷标注规范和光照成像经验封装成模组外观
  • Agent自动检查训练数据质量,发现漏标、错标和样本分布偏差
  • 原因分析报告自动区分镜头脏污、光源波动、算法误判等原因
  • -45%错标返工,3x数据质检,1人常规迭代

两种落地模式

模式

适合场景

特点

工作流模式

稳定、重复、标准清晰的任务

接口调用自动执行,无需人工介入

Claw模式 + 业务Skill

需要专家判断和信息补全的任务

对话协同,边问边补,一人质检项目交付

两种模式不互斥——同一个项目中,稳定环节走工作流,需要判断的环节走Claw。

场景能力:把专家判断变成可执行任务

方案设计

根据产品、缺陷、节拍和验收目标,梳理点位、样本、算法路线和交付边界。

数据准备

缺陷口径、训练集数量、训练集/验证集划分和数据质检串起来,减少反复返工。

模型迭代

Badcase回流→样本补齐→训练策略→指标复测自动衔接,不会调模型也能推进常规迭代。

诊断调优与发布运维

Claw追问机械、成像、数据、算法线索,生成原因分析和调优建议,并沉淀上线检查项。

小结

工业质检行业最大的落地瓶颈是"懂工艺的人不懂数据,懂算法的人不懂产线"。ADP质检Agent的价值不是替换视觉算法,而是把两类专家的经验变成可复用的Skill——让一个现场负责人也能推进从标注到上线到迭代的全闭环。

五个案例的共同特征:都是一人推进、效果可量化。如果你们团队正在评估工业质检方案,可以先选一个缺陷类型清晰、产线相对稳定的产品线做试点,验证Skill沉淀和Claw对话式分析的可行性。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

目录
  • 工业质检不再依赖专家排期:腾讯质检Agent的五个真实案例
    • 四个痛点
      • 痛点一:工艺经验和算法经验对不上
      • 痛点二:软件不是难买,是难用
      • 痛点三:一个项目绑住四类人
      • 痛点四:原因分析报告难产
    • 两个核心优势
      • 把两类经验留住
      • 分析报告不再等专家
    • 五个客户案例
      • 案例1:3C结构件制造商——电脑中框与键盘外观检测
      • 案例2:锂电终端客户——极耳计数与偏位复核
      • 案例3:零售酒品企业——酒瓶标签、液位、瓶盖外观检测
      • 案例4:植发连锁机构——头皮图像质检与毛囊计数辅助
      • 案例5:3C摄像头模组工厂——镜头脏污、划伤、装配偏移检测
    • 两种落地模式
    • 场景能力:把专家判断变成可执行任务
      • 方案设计
      • 数据准备
      • 模型迭代
      • 诊断调优与发布运维
    • 小结
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档